跳到正文
10月20日周二
  1. IT之家68

    DeepSeek V4.1 Flash-1017 登顶 Agent Arena 开源榜

    深度求索最新发布的 DeepSeek-V4.1-Flash-1017 登顶 Agent Arena 以及 Code Arena: WebDev 开源模型榜单,总榜排名第 11。该模型基于 7498 次真实使用会话取得 5.13% 的综合净改善指标,单任务成本中位数约为 0.18 美元,任务成功确认、用户正负反馈和 Bash 命令执行可靠性均位列开源模型第一。

  2. HuggingFace Daily Papers65

    Text-to-Image Generative Modeling Without Language Pretraining

    研究团队提出Halcyon模型,一种完全从头开始训练的早期融合多模态自回归模型,在GPIC数据集上预训练。Halcyon-0.52B和Halcyon-1.6B模型在文本到图像生成任务上分别以更少的预训练计算量超越了现有模型,实验表明文本预训练对T2I生成没有明显帮助。代码和模型已公开。

    推荐理由:Halcyon模型证明无需大规模语言预训练也能实现高质量文本到图像生成,挑战了当前主流技术范式。

  3. NVIDIA Blog38

    巴塞罗那超级计算中心启动 AI 工厂加速器计划,NVIDIA 提供技术支持

    巴塞罗那超级计算中心 BSC AI Factory 加速器计划全面运营,通过 MareNostrum 5 超算为西班牙初创企业提供算力支持。NVIDIA 通过 Inception 项目提供深度学习课程、投资对接等资源,三家初创企业获评 AI 冠军,涵盖水务、医疗和制药领域。该计划自 2025 年 4 月启动以来已交付超 800 项服务。

  4. HuggingFace Daily Papers75

    从舰队经验中学习:一种机器人的集体学习范式

    研究提出集体经验学习(CEL)范式,通过失败引导的经验检索微调(FERT)和容错异步训练系统(FATS),使部署中的机器人共享执行经验改进共同策略。在五个真实操作任务中,策略成功率高达93.3-99.2%,96台机器人在手机包装任务中成功率从79.2%提升至98.3%。

    推荐理由:通过机器人共享执行经验提升策略可靠性,无需额外专家纠正,为大规模机器人学习提供新范式。

  5. HuggingFace Daily Papers65

    State World Models: 执行规则,生成像素

    研究人员提出Stateful Harness框架,将世界状态演化与视频渲染分离,构建了WorldState-Bench基准测试。在50组反事实双胞胎对测试中,完整框架使模型在隐藏状态下遵循规则的能力达到92%,远高于单独视频模型的32%。

    推荐理由:将世界状态演化与视频渲染分离,使模型在隐藏状态下遵循规则的能力从32%提升至92%,为具身智能交互提供了新思路。

  6. HuggingFace Daily Papers45

    InfiniDream: 通过程序化生成实现开放式的逼真 3D 世界

    InfiniDream 是一个 VLM 驱动的开放式程序化 3D 世界生成框架,通过符号约束资产生成和端到端文本到世界管道,支持创建新型逼真资产和大规模 3D 场景。在 100 个对象和 20 个场景生成任务中,该框架在四个感知指标上表现更优,并通过多样性分析和人类偏好评估验证有效性。

  7. 钛媒体75

    字节Seed团队完成大兵团重组,成立五大一级部门

    字节跳动AI基Seed团队在吴永辉主导下完成组织架构重塑,形成Pretrain Data、Horizon RL、Product Posttrain-Work、Product Posttrain-Chat和Seed Model-Alignment & Preparedness五大一级部门。模型评测负责人黄文灏离职,安全与对齐部门独立成立,显示字节将大模型研发从研究院模式转向工业化流水线。

  8. arXiv · cs.RO80

    Ropedia W0: 利用人类经验扩展跨具身体的运动-操作世界模型

    研究团队提出Ropedia W0,首个涵盖人类和多样化机器人的运动-操作世界基础模型。该模型基于Xp-Data数据集(包含1万小时人类第一视角数据和3千小时机器人数据)和统一的多模态注释,通过统一运动学表示编码运动和操作。在五个跨具身基准测试上达到最先进性能,并支持实时长时间运行,可用于VR交互、策略评估和基于模型的规划。

    推荐理由:通过统一运动学和投影骨架表示,首次实现跨人类和机器人的世界模型,为具身智能决策提供新基础。

  9. HuggingFace Daily Papers75

    ScaleNav: 可扩展的网络视频预训练用于语言条件下的局部导航

    研究人员提出ScaleNav框架,通过三阶段训练方法利用网络第一人称视频学习目标导向的视觉动态,支持机器人动作生成。该框架在Short-Horizon OVON单视图适应基准上达到86.5%成功率,在HabitatGS-LN基准上达到94.9%成功率,优于评估的基线模型,并在真实四足机器人上部署验证了泛化能力。

    推荐理由:利用网络第一人称视频训练机器人导航,解决了真实数据收集成本高和模拟到现实差距大的问题。

  10. 钛媒体65

    Werner Vogels谈亚马逊的AI理念:在做与不做之间

    亚马逊副总裁兼首席技术官Werner Vogels在深圳分享亚马逊的AI理念,强调成本可控、不必追求最强模型、Agent必须被约束,人类需保留最终判断。他指出企业不应因FOMO驱动的AI转型,而应先教育、再理解,明确AI只是工具,工作仍然是人类的。亚马逊开发了Dogwood语言来规定Agent能做什么、不能做什么,并强调开源的重要性。

  11. IT之家73

    蚂蚁百灵开源 Ming-3.0 语音系列模型

    蚂蚁百灵今日开源 Ming-3.0 语音系列,包含语音合成、音频理解与对话、语音识别三个系列共五款模型。Ming-3.0-tts 系列支持文字描述音色和导演模式说明表演方式,Ming-3.0-audio-flash/tiny 可直接处理长音频转写、总结和分析,Ming-3.0-asr-tiny 通过高质量语料提升语音识别效果。这些模型已在蚂蚁内部多个业务场景落地应用。

  12. 雷锋网78

    AI编码高负载促使企业改造传统工具链

    Anthropic开发Scion版本控制系统替代Git,GitHub用ModernBERT替换密钥扫描中的通用LLM,哥伦比亚大学与Google DeepMind等机构通过BTTF将芯片仿真波形转换成SQLite。这些改造都是为了应对AI智能体带来的高负载,预示软件工程基础设施面临重构。

    推荐理由:Anthropic、GitHub等企业改造传统工具链以适应AI编码高负载,预示软件工程基础设施面临重构。